Дописал за нейросетью — почему такой текст палится сильнее всего

Потому что детекторы оценивают происхождение содержания и стыки между авторами, а не то, кто набирал финальные фразы. Бенчмарк ARB (июль 2026) показал: содержание, сгенерированное моделью, детектируется в 78–83% случаев даже после второго прохода LLM — поверхностная правка результат почти не меняет. Turnitin со своей стороны признаёт, что 54% его ложных срабатываний стоят вплотную к настоящему ИИ-фрагменту: ваши собственные предложения детектор красит за компанию с машинными. Гибридный текст — статистически худшая зона, хуже и полной генерации, и полностью своего письма.

Швы: ложные срабатывания липнут к ИИ-фрагментам

Turnitin режет документ на перекрывающиеся сегменты по несколько сотен слов, ставит балл каждому предложению и усредняет. Заявленная доля ложных срабатываний «меньше 1%» относится только к документам, где ИИ-доля от 20%; на уровне отдельного предложения она около 4%. Эссе в 500 слов почти гарантированно получает хотя бы одно ложное срабатывание.

Распределение этих ошибок важнее их числа. Они не рассыпаны по тексту случайно: 54% стоят вплотную к настоящему ИИ-тексту, ещё 26% — через одно предложение, 10% — через два. Пометка растекается со вставленного фрагмента на соседние человеческие предложения. Дописали свой абзац сразу за машинным — он с высокой вероятностью уйдёт в ту же подсветку. Гибридный текст Turnitin сам называет худшим режимом для своей модели.

«Антиплагиат.ВУЗ» устроен похоже: отчёт «Подозрительный документ» указывает конкретные страницы, то есть детекция идёт по фрагментам, а не по работе целиком. Разбор ошибок в статьях его R&D-команды (arXiv:2410.14677) фиксирует: хуже всего модель справляется с текстами, прошедшими постобработку и редактуру, — датасеты Mixset и CUDRT. Памятка компании от сентября 2025 года говорит то же открытым текстом: гибридные тексты «практически лишены стилистических особенностей, характерных для машинно сгенерированных текстов», поэтому показатель следует рассматривать «не как доказательство нечестной работы, а, скорее, как маркер». Что именно измеряет этот детектор и как читать его отчёт — в нашем разборе ИИ-детекции.

Происхождение содержания бьёт любую косметику

ARB (arXiv:2607.29539, 31 июля 2026) мерил детекторы в жёстком режиме: сколько машинного текста поймано при фиксированном 1% ложных срабатываний. Картина несимметричная. Человеческое содержание, переписанное LLM, детекторы теряют почти целиком: recall — доля пойманного машинного текста — падает у Binoculars с 93,5% до 15,1%, у Fast-DetectGPT с 91,2% до 30,8%, у RADAR с 66,8% до 12,2%. Машинное содержание после второго прохода LLM детектируется по-прежнему, на уровне 78–83%.

Решает происхождение содержания. Структура аргумента и отбор фактов остаются машинными, сколько ни шлифуй формулировки, — и детектор продолжает их видеть. Наивный парафраз бесполезен вдвойне: в замерах ARB он местами повышал детектируемость — на 8,57% у RADAR и на 15,03% у Fast-DetectGPT.

Ловушка честности: разрешённое ловится чаще запрещённого

Группа Карра из Университета Нотр-Дам, тестировавшая детекторы на 642 научных абстрактах (arXiv:2608.11256, 6 августа 2026), зафиксировала зеркальный эффект. Лёгкая ИИ-правка человеческого текста — режим «refine», формально разрешённая редактура — помечается в 64–80% случаев. Полностью сгенерированный текст после гуманайзера Undetectable AI v11 остаётся помеченным менее чем в 4% случаев. Разрешённая редактура ловится чаще запрещённой генерации.

Выглядит как довод в пользу гуманайзера? Наоборот. Adversarial-инструменты оставляют собственные следы — гомоглифы, невидимые символы, аномальную пунктуацию, — которые ловятся отдельными проверками и в разбирательстве выглядят как умысел, а не как ошибка детектора. Что реально умеет и где уместен хьюманайзер, мы разобрали отдельно.

О пределах данных скажу прямо. ARB и Нотр-Дам мерили разные детекторы в разных постановках, и цифры их тянут в противоположные стороны: у одних гибрид ускользает, у других ловится через раз. Сходятся они в одном — в гибридной зоне детекторы нестабильны и расходятся между собой сильнее всего. Продакшен-архитектуру «Антиплагиата» компания вовсе не раскрывает, а независимого измерения его ложных срабатываний на корпусе человеческих русскоязычных ВКР публично не существует. Предсказать поведение конкретного детектора на конкретном гибридном тексте нельзя.

Ставки при этом реальные. 28 апреля 2026 года «Коммерсантъ» описал недопуски к защите: у одной студентки детектор насчитал 96% «использования нейросетей» в самостоятельной работе, в ряде вузов к отказу ведёт даже 1%. По данным РИА Новости, за второй квартал 2026-го признаки ИИ найдены в 983,7 тысячи работ из 2,73 миллиона проверенных — в каждой третьей.

Что реально снижает риск

Из ARB следует рабочий принцип: переработка должна быть содержательной. Свои данные, свои примеры, своя структура аргумента — тогда меняется происхождение содержания, единственный фактор с доказанным весом. Переформулирование чужих фраз поверх машинного скелета этот фактор не трогает. И здесь нет никакого обхода: текст, содержание которого ваше, перестаёт быть машинным по существу.

Вторая линия — доказательства процесса. Отметку «Подозрительный документ» эксперт снимает кнопкой в отчёте, комментарий сохраняется в печатных формах; решение о допуске принимает вуз по локальному регламенту, а не система. Черновики с историей версий, промежуточные варианты, собственные расчёты, переписка с руководителем в этой процедуре работают как аргументы. Позиция разработчика тут на стороне студента: «Процентный подход изжил себя, требуется экспертный анализ содержания каждой работы» (памятка «Антиплагиата», сентябрь 2024).

Вопрос — ответ

Я написал работу сам, а нейросетью только «причесал» формулировки. Детектор заметит?

Скорее да. По данным группы Нотр-Дама (август 2026), лёгкая ИИ-правка человеческого текста помечается в 64–80% случаев — чаще, чем полная генерация после гуманайзера. Если нужна вычитка, вносите правки руками по замечаниям, а не автозаменой целых абзацев, и сохраняйте черновики с историей версий: отметку снимает эксперт, и доказательства процесса в споре решают.

Почему подсветился мой собственный абзац рядом со вставленным фрагментом?

Это эффект швов. Turnitin сообщает, что 54% его ложных срабатываний стоят вплотную к настоящему ИИ-тексту, ещё 26% — через одно предложение, 10% — через два. Детектор оценивает перекрывающиеся сегменты по несколько сотен слов, поэтому пометка растекается с машинного фрагмента на соседние человеческие предложения. Гибридный текст Turnitin называет худшим режимом для своей модели.

Спасёт ли пересказ сгенерированного текста своими словами?

Нет. В бенчмарке ARB (июль 2026) машинное содержание после второго прохода LLM детектировалось в 78–83% случаев, а наивный парафраз местами повышал детектируемость — до +15,03% у Fast-DetectGPT. Риск снижает только содержательная переработка: свои данные, свои примеры, своя структура аргумента. Меняется происхождение содержания — единственное, что, судя по ARB, действительно решает.

Как это решает кот

КотПишетСам — не «нейросеть с промптом», а программный комплекс: над каждой работой выполняются тысячи операций помимо самой генерации текста — подбор и сверка реальных источников, сборка структуры, контроль терминов, оформление по ГОСТ. Хьюманайзер встроен в каждый продукт как штатный этап, а для уже написанных текстов доступен отдельно. В наших замерах комплекс стабильно даёт 0% ИИ-контента в Антиплагиат.ВУЗ; свежая курсовая покупателя — 0% ИИ и 87% оригинальности — открыта в примерах готовых работ. Примерить на свою тему можно с бесплатного плана: он собирается за минуту.